ICode9
精准搜索请尝试： 精确搜索
首页
编程语言>
数据库
系统相关
互联网
其他分享
Python
Java
JavaScript
android
PHP
首页 > 编程语言> 文章详细

利用python进行游戏用户行为分析

2021-03-04 18:05:07  阅读：168  来源： 互联网

标签：count plt 游戏 python pay 用户 玩家 user avg


一、数据描述 《野蛮时代》（Brutal Age）是一款风靡全球的SLG类型手机游戏。根据App Annie统计，《野蛮时代》在12个国家取得游戏畅销榜第1，在82个国家取得游戏畅销榜前10。准确了解每个玩家的价值，对游戏的广告投放策略和高效的运营活动（如精准的促销活动和礼包推荐）具有重要意义，有助于给玩家带来更个性化的体验。 二、分析目的 希望利用玩家在游戏内前七日的行为数据，对玩家日后的一个价值进行一个简单的评估，对用户运营提供数据支撑。 三、数据获取 1、数据来源 DC竞赛-大数据竞赛平台​js.dclab.run 2、数据理解 整个数据集共828934条记录，108个字段，此处仅选取分析中用到的字段进行解释说明。 字段说明： user_id：用户编码，用户唯一标识 bd_stronghold_level：要塞等级，相当于游戏账号等级 wood_reduce_value：木头消耗数量 stone_reduce_value：石头消耗数量 ivory_reduce_value：象牙消耗数量 meat_reduce_value：肉消耗数量 magic_reduce_value：魔法消耗数量 general_acceleration_reduce_value：通用加速消耗数量 building_acceleration_reduce_value：建筑加速消耗数量 reaserch_acceleration_reduce_value：科研加速消耗数量 training_acceleration_reduce_value：训练加速消耗数量 treatment_acceleration_reduce_value：治疗加速消耗数量 pvp_battle_count：玩家对玩家次数 pve_battle_count：玩家对机器次数 avg_online_minutes：日均在线时间 pay_price: 消费金额 pay_count：消费次数 四、数据清洗 本次分析是利用python及其第三方库：pandas、numpy和matplotlib完成的。 4.1 数据导入 
#导入相应的第三那方库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
import pickle
import seaborn as sns
import re
from wordcloud import *
%matplotlib inline
mpl.rcParams['font.sans-serif'] = ['SimHei']
mpl.rcParams['axes.unicode_minus'] = False

#读取数据
data = pd.read_csv('D:\Dataanalysis\data.csv')

#查看前5行
data.head()
共有828934条数据记录。 4.2 重复值处理 
#以user_id为维度，删除重复数据，并统计用户总数

print('用户总数:',len(data.drop_duplicates(['user_id'])))

用户总数：828934
去重前和去重后的记录数一样，证明没有重复值。 4.3 缺失值处理 
#检查是否有空值

print(data.isnull().any().any())
False
检查数据是否有空值返回False,说明数据完整。 五、数据分析 5.1 用户注册分析 
from pandas import to_datetime
from datetime import datetime
reg_user = data[['user_id','register_time']]
reg_user.head()

#将注册时间转化为日期格式
reg_user['register_time'] = to_datetime(reg_user.register_time,format='%Y/%m/%d')
reg_user['register_time']=reg_user.register_time.apply(lambda x: datetime.strftime(x,"%Y-%m-%d"))

#计算每天的注册人数
reg_user = reg_user.groupby(['register_time']).user_id.count()

#可视化
fig = plt.figure(figsize=(10, 8))
plt.plot(reg_user)
plt.xticks(rotation=90)
plt.title('用户注册分布图')
plt.show()

 


通过可视化分析可知，在3月9日到3月11日期间注册人数达到高峰，推测这期间广告的推广促销力度比其它时段更大。 5.2 用户付费情况分析 5.2.1 付费率： 付费率 = 付费用户/活跃用户 活跃用户：每日平均游戏时长大于30分钟 
#活跃用户
act_user = data[data['avg_online_minutes']>=30]

#付费用户
pay_user = data[data['pay_price']>0]

#付费率
pay_user_rate = pay_user['user_id'].count()/act_user['user_id'].count()
print('付费率: %.2f' %(pay_user_rate))
付费率: 0.31
5.2.2 ARPU（平均每用户收入） ARPU = 玩家总付费金额 / 总活跃人数 
#玩家总付费金额
pay_sum = data['pay_price'].sum()

#ARPU
ARPU = pay_sum / act_user['user_id'].count()
print('ARPU: %.2f' %(ARPU))

ARPU: 8.86

5.2.3 ARPPU（平均每付费用户收入）

ARPPU = 玩家总付费金额 / 总付费人数 
#ARPPU
ARPPU = pay_sum / pay_user['user_id'].count()
print('ARPPU: %.2f' %(ARPPU))

ARPPU: 28.49

手游市场的平均ARPU在5元左右，该手游的ARPU为8.86元，高于平均水平，付费率达到了31%，ARPPU为28.49，可以看出该手游的玩家很愿意在游戏中充值，后续需要进一步评估付费用户的价值，针对性的制定运营策略。

5.2.4 各个等级玩家的付费情况 
#根据要塞等级进行分类
user_grade = data.groupby(['bd_stronghold_level']).user_id.count()
user_grade = data[['user_id','bd_stronghold_level','pay_count','pay_price']]

#通过数据透视表汇总各等级人数分布，总付费次数，总菲菲金额
table = pd.pivot_table(user_grade,index=['bd_stronghold_level'],values=['user_id','pay_count','pay_price'],aggfunc={'user_id': 'count','pay_count': 'sum','pay_price': 'sum'})

user_pay = pd.DataFrame(table.to_records())

#计算各等级付费人数
user_count = user_grade[user_grade['pay_price']>0].groupby('bd_stronghold_level').user_id.count()
user_pay['user_count'] = user_count
user_pay.head()

#计算等级付费转化率，等级人均付费次数，等级人均付费金额
user_pay['pay_rate'] = user_pay.user_count / user_pay.user_id
user_pay['user_avgcount'] = user_pay.pay_count / user_pay.user_count
user_pay['user_avgmoney'] = user_pay.pay_price / user_pay.user_count

#修改列名
user_pay.columns = ['要塞等级','付费次数','付费总额','玩家人数','付费人数','付费转化率','人均付费次数','人均付费总额']
#调整列名
user_pay = user_pay[['要塞等级','付费次数','付费总额','玩家人数','付费人数','付费转化率','人均付费次数','人均付费总额']]
user_pay
可视化
  • 要塞等级和付费转化率的关系 
x = user_pay['要塞等级']
y = user_pay['付费转化率']
fig = plt.figure(figsize=(10,8))
plt.plot(x,y,ls='-',lw=2)
plt.xticks(x,range(0,len(x),1))
plt.grid(True)
plt.title('要塞等级和付费转化率的关系')
plt.show()

  • 要塞等级和人均付费金额的关系 
x = user_pay['要塞等级']
y = user_pay['人均付费总额']
fig = plt.figure(figsize=(10,8))
plt.plot(x,y,ls='-',lw=2)
plt.xticks(x,range(0,len(x),1))
plt.grid(True)
plt.title('要塞等级与人均付费金额的关系')
plt.show()
  • 要塞等级和人均付费次数的关系 
x = user_pay['要塞等级']
y = user_pay['人均付费次数']
fig = plt.figure(figsize=(10,8))
plt.plot(x,y,ls='-',lw=2)
plt.xticks(x,range(0,len(x),1))
plt.grid(True)
plt.title('要塞等级与人均付费次数的关系')
plt.show()
  • 处于各个要塞等级的玩家人数 
x = user_pay['要塞等级']
y = user_pay['玩家人数']
fig = plt.figure(figsize=(10,8))
plt.bar(x,y)
plt.xticks(x,range(0,len(x),1))
plt.title('各个要塞等级的玩家人数')
plt.show()
通过观察付费转化率和要塞等级的关系可以发现，9级时付费转化率为26%，10级时的付费转化率已经接近60%，且在14级之后的玩家， 付费转化率达100%。观察人均消费总额和人均消费次数可以发现，10级之后，两项指标也同时呈现显著的增长。 然而观察要塞等级达到人数的柱形图可以发现，大量的用户集中在10以下，因此游戏的运营方向应该是如何是用户平滑的达到10级，可以进一步通过 一系列数据或者通过游戏内发放问卷调查的方式，了解用户在10级以下时遇到的困难和问题，进一步优化游戏内容，增强引导用户提升要塞等级。 可以通过人均消费总额看出，在18级以后人均消费额的曲线出现了陡增，该阶段的用户应该已经了解了游戏的核心玩法，因此可以对该部分用户加强消费引导， 提升游戏的收入 5.3 用户的资源使用情况分析 该游戏充值主要获得以下几种物品：资源类（木头、石头、象牙、肉、魔法等），加速券类（通用加速、建筑加速、科研加速、训练加速、治疗加速等）。 根据玩家充值金额大小， 将10级以上玩家分为高氪玩家（充值金额高于500元）和低氪玩家（充值金额低于500元大于0元），分别统计两种玩家的各类资源使用情况，最后绘图 
#对10级以上的玩家进行分类
sup_user = data[(data['pay_price']>=500)&(data['bd_stronghold_level']>=10)]
sub_user = data[(data['pay_price']<500)&(data['bd_stronghold_level']<10)]
5.3.1 玩家各类资源使用情况 
#制作资源相关数据集
wood_avg = [sup_user['wood_reduce_value'].mean(),sub_user['wood_reduce_value'].mean()]
stone_avg = [sup_user['stone_reduce_value'].mean(),sub_user['stone_reduce_value'].mean()]
ivory_avg = [sup_user['ivory_reduce_value'].mean(),sub_user['ivory_reduce_value'].mean()]
meat_avg = [sup_user['meat_reduce_value'].mean(),sub_user['meat_reduce_value'].mean()]
magic_avg = [sup_user['magic_reduce_value'].mean(),sub_user['magic_reduce_value'].mean()]
df = {'高氪玩家': [wood_avg[0],stone_avg[0],ivory_avg[0],meat_avg[0],magic_avg[0]],
     '低氪玩家': [wood_avg[1],stone_avg[1],ivory_avg[1],meat_avg[1],magic_avg[1]]}
resource = pd.DataFrame(df,index =['木头','石头','象牙','肉','魔法']).round(2)

#可视化
resource.plot(kind='bar',figsize=(10,8),legend=True,logy=True)

x = np.arange(len(resource.index))
y1 = np.array(list(resource['高氪玩家']))
y2 = np.array(list(resource['低氪玩家']))

for a,b in zip(x,y1):
    plt.text(a,b,b,ha='right',va='bottom')
for a,b in zip(x,y2):
    plt.text(a,b,b,ha='left',va='bottom')
    
plt.title('玩家资源使用量',fontsize=20)
plt.xlabel('资源种类',fontsize=18)
plt.ylabel('资源使用量',fontsize=18)
plt.tick_params(labelsize=14)
plt.show()
高消费玩家和低消费对木头、石头、肉的消耗都较大，魔法的消耗都较小，而在象牙的消耗上，高消费玩家和低消费玩家的消耗差距较大。因为象牙资源在游戏中的用途相对高端一些，而木头和肉类是游戏发展过程中必需的资源。因此高氪玩家在资源上的平均使用量要远远高于低氪玩家，象牙资源最能够体现出一个玩家在游戏上的消费水平。 5.3.2 玩家加速券使用情况 
#制作加速券相关数据集
general_avg = [sup_user['general_acceleration_reduce_value'].mean(),sub_user['general_acceleration_reduce_value'].mean()]
building_avg = [sup_user['building_acceleration_reduce_value'].mean(),sub_user['building_acceleration_reduce_value'].mean()]
reaserch_avg = [sup_user['reaserch_acceleration_reduce_value'].mean(),sub_user['reaserch_acceleration_reduce_value'].mean()]
training_avg = [sup_user['training_acceleration_reduce_value'].mean(),sub_user['training_acceleration_reduce_value'].mean()]
treament_avg = [sup_user['treatment_acceleration_reduce_value'].mean(),sub_user['treatment_acceleration_reduce_value'].mean()]

df = {'高氪玩家': [general_avg[0],building_avg[0],reaserch_avg[0],training_avg[0],treament_avg[0]],
     '低氪玩家': [general_avg[1],building_avg[1],reaserch_avg[1],training_avg[1],treament_avg[1]]}
acceleration = pd.DataFrame(df, index=['通用','建筑','科研','训练','治疗']).round(2)

#可视化
acceleration.plot(kind = 'bar', figsize=(10,8),logy=True,legend=True)

x = np.arange(len(acceleration.index))
a = np.array(list(acceleration['高氪玩家']))
b = np.array(list(acceleration['低氪玩家']))

for m,n in zip(x,a):
    plt.text(m,n,n,ha='right',va='bottom')
    
for m,n in zip(x,b):
    plt.text(m,n,n,ha='left',va='bottom')

plt.title('玩家加速券使用情况',fontsize=20)
plt.xlabel('加速券类型',fontsize=18)
plt.ylabel('加速券使用量',fontsize=18)
plt.tick_params(labelsize=14)
plt.show
两类玩家对对治疗加速券消耗都很小，对通用加速券的消耗差异较大，其他三种加速券消耗差别不大。通过体验游戏了解到加速券的使用，直接影响游戏进程的加快，因此高氪玩家更希望通过加快游戏进程增加游戏体验。 5.3.3 玩家游戏玩法分析
  • 玩家在线时长 
#平均在线时长数据
avg_online_time = [sup_user['avg_online_minutes'].mean(),sub_user['avg_online_minutes'].mean()]

df = {'高氪玩家': [avg_online_time[0]],
     '低氪玩家': [avg_online_time[1]]}

online_time = pd.DataFrame(df,index=['平均在线时长']).round(2)

#可视化
online_time.plot(kind='bar',legend=True,figsize=(10,8))
x = np.arange(len(online_time.index))
a = np.array(list(online_time['高氪玩家']))
b = np.array(list(online_time['低氪玩家']))

for m,n in zip(x,a):
    plt.text(m,n,n,ha='right',va='bottom',fontsize=12)
    
for m,n in zip(x,b):
    plt.text(m,n,n,ha='left',va='bottom',fontsize=12)
    
plt.xticks(rotation=0)
plt.tick_params(labelsize=14)
plt.title('玩家平均在线时长',fontsize=20)
plt.show()
  • 玩家pvp情况 
#pvp相关数据
pvp_battle_avg = [sup_user['pvp_battle_count'].mean(), sub_user['pvp_battle_count'].mean()]
pvp_lanch_avg = [sup_user['pvp_lanch_count'].mean(), sub_user['pvp_lanch_count'].mean()]
pvp_win_avg = [sup_user['pvp_win_count'].mean(), sub_user['pvp_win_count'].mean()]
data = {'高氪玩家':[pvp_battle_avg[0], pvp_lanch_avg[0], pvp_win_avg[0]], 
        '低氪玩家':[pvp_battle_avg[1], pvp_lanch_avg[1], pvp_win_avg[1]]}
PVP = pd.DataFrame(data, index = ['PVP次数', '主动发起PVP次数', 'PVP胜利次数']).round(2)

#可视化
PVP.plot(kind='bar',legend=True,figsize=(10,8))
plt.title('玩家pvp对局情况',fontsize=20)
plt.tick_params(rotation=0,labelsize=14)
plt.show()
  • 玩家pve情况 
#玩家pve对局数据
pve_battle_count = [sup_user['pve_battle_count'].mean(),sub_user['pve_battle_count'].mean()]
pve_lanch_count = [sup_user['pve_lanch_count'].mean(),sub_user['pve_lanch_count'].mean()]
pve_win_count = [sup_user['pve_win_count'].mean(),sub_user['pve_win_count'].mean()]

df = {'高氪玩家': [pve_battle_count[0],pve_lanch_count[0],pve_win_count[0]],
     '低氪玩家': [pve_battle_count[1],pve_lanch_count[1],pve_win_count[1]]}

PVE = pd.DataFrame(df,index=['PVE次数','主动发起PVE次数','PVE胜利次数']).round(2)

#可视化
PVE.plot(kind='bar',legend=True,figsize=(10,8))
plt.title('玩家pve对局情况',fontsize=20)
plt.tick_params(rotation=0,labelsize=14)
plt.show()
可以看到高氪玩家的平均在线时长时低氪玩家的50倍左右，而高氪玩家的PVP的三项指标数值都在低氪玩家三项指标数值的100倍左右；pve的数值高氪玩家是低氪玩家的30倍左右。 总的来说高消费玩家更愿意投入时间在这款游戏上，它们热衷于pvp玩法，在pve的局数上也多于低消费玩家，因此游戏可以投入较多的精力在pvp的玩法改进上，吸引玩家更多的参与到pvp上，刺激玩家的消费，增加游戏的收入。 六、分析总结 1.该游戏具有较大的用户基数，且新用户注册受游戏活动、游戏推广力度等因素影响较大。 2.该游戏的ARPU为8.86，说明该游戏的盈利能力较高。 3.对于游戏付费情况，两极分化情况十分严重，绝大多数玩家处于10级以内，且付费情况较差，而少数玩家在10级以上，且付费能力强(13级的用户付费转化率接近100%).因此对于如何让大多数玩家平滑过渡到10级，非常的重要。 4.消费习惯上，高消费玩家对象牙和通用加速券的需求远多于一般玩家。 5.在玩家行为上，高消费玩家投入游戏时间更多，它们更热衷于pvp玩法。

标签：count,plt,游戏,python,pay,用户,玩家,user,avg
来源： https://www.cnblogs.com/noahcocy/p/14481943.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

关于我们 | 联系我们 | 留言反馈

专注分享技术，共同学习，共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有